CN110826841A - 考虑用户充电体验和配电网运行风险的充电站规划方法 - Google Patents

Abstract

本发明提供考虑用户充电体验和配电网运行风险的充电站规划方法,包括以下步骤：步骤1、建立电动汽车负荷模型；步骤2、建立充电体验指数，以充电体验指数、充电站建设成本和用户便捷性为充电站选址定容优化目标建立上层综合目标，并提出上层规划约束条件；步骤3、提出计及空间权重的元‑点加权Voronoi图进行服务范围分区；步骤4、基于上层优化目标采用遗传禁忌混合算法建立上层规划流程；步骤5、以新建馈线成本和配电网的运行风险为充电站负荷接入节点优化目标建立下层综合目标；步骤6、基于下层综合目标采用循环替换法建立下层规划流程；本发明能综合用户充电体验、电网运行情况以及充电站建设成本等需求来进行充电站规划。

Description

考虑用户充电体验和配电网运行风险的充电站规划方法

技术领域

本申请涉及充电站规划领域，特别是涉及一种考虑用户充电体验和配电网运行风险的充电站规划方法。

背景技术

随着电动汽车的迅猛发展，电动汽车充电需求将会迅速增大，建设满足其充电需求的充电站是实现电动汽车快速普及的基础保证。

在实现过程中，发明人发现传统电动汽车充电站规划中至少存在以下问题：

在互联网时代，人们越来越重视生活体验满足感；充电站的规划建设，与电动汽车用户的充电体验密切相关；目前已有研究从充电路上花费的时间、充电前等待时间以及用户行驶到充电站消耗的电能等方面来考虑用户充电体验；此外，充电站规划对用户充电体验的影响，还体现在用户在充电前是否需要排队、能否在电池深度放电前到达充电站等方面；另一方面，不同功能区域的人们，由于时间的紧迫程度不同，对前往充电过程中所花时间的要求不同，而且电动汽车密集程度也不同，因此在评估用户充电体验时应充分考虑上述因素；

在充电站服务范围划分方面，很多研究采用了加权Voronoi图；采用加权Voronoi图时，只考虑充电站的权重，没有考虑不同功能区域对充电站需求的差异；另一方面，在地价低的地方建设容量更大的充电站，建设成本更小，因此充电站权重应考虑地价；再者，以往的研究多以直线距离进行分区，但由于多数道路都是垂直或平行的田字型，采用直角距离可提高分区的准确性；

为了保证在电网安全运行的前提下进行充电站规划，多数研究将电网的运行状态参数(如电压、电流和负荷功率等)作为约束条件；但是，当电动汽车规模较大时，运行越限问题难以避免；同时，由于电动汽车充电的随机性，配电网运行状态不确定性增大，作为风险的基本特征，这使得配电网发生严重越限的可能性增加；此外，目前的研究侧重于充电设施的选址定容优化，很少关注充电站负荷接入节点的优化问题，简单假设充电站负荷就近接入相应负荷节点；但实际上，由于节点的脆弱性不同，充电站负荷接入不同节点带来的运行风险是不同的；因此，通过充电负荷接入节点优化来减小各种运行风险，具有重要的工程意义。

发明内容

基于此，本发明提出计及空间权重的元-点加权Voronoi图进行服务范围分区，建立充电体验指数新指标来衡量充电过程中用户的充电体验要求得到满足的程度，并以充电站的建设成本、用户便捷性和和充电体验指数为目标进行充电站选址定容优化；以新建馈线成本和配电网的运行风险为目标进行充电站负荷接入节点优化；并以此为基础提出考虑用户充电体验和配电网运行风险的充电站互动规划方法。

本发明至少通过如下技术方案之一实现。

考虑用户充电体验和配电网运行风险的充电站规划方法，包括以下步骤：

步骤1、根据电动汽车历史数据，建立电动汽车负荷模型；

步骤2、建立充电体验指数，以充电体验指数、充电站建设成本和用户便捷性为充电站选址定容优化目标建立上层综合目标，并提出上层规划约束条件；

步骤3、提出计及空间权重的元-点加权Voronoi图进行服务范围分区；

步骤4、基于上层优化目标采用遗传禁忌混合算法建立上层规划流程；

步骤5、以新建馈线成本和配电网的运行风险为充电站负荷接入节点优化目标建立下层综合目标，并提出下层约束条件；

步骤6、基于下层综合目标采用循环替换法建立下层规划流程。

进一步地，步骤1所述的根据电动汽车历史数据，建立电动汽车负荷模型包括以下步骤：

步骤1-1、采用电动汽车容量来描述区域内电动汽车的规模，所述电动汽车容量为区域内所有电动汽车额定充电功率的总和，包括处于充电状态和非充电状态的全部电动汽车；将单位面积电动汽车容量定义为电动汽车容量密度；

步骤1-2、根据电动汽车电池实际充电过程，构建电动汽车恒流-恒压二阶段变功率充电模型：

电动汽车在充电过程中，采用一种恒流-恒压二阶段变功率充电模式，当电池端电压小于最大电池端电压U_bmax时，电池是以恒电流模式进行充电；当电池端电压达到最大电池端电压U_bmax时，电池进入恒压阶段，电流迅速衰减为零，充电功率为零；描述其充电过程的方程为：

式中，U_b(t)为t时刻电池两端的电压，i_c为充电时的电流，C₀是电池的标称容量，R为电池内阻，K₀是电池的极化常数，E₀是电池的恒定电势，A₀和B₀分别为电池充电指数段的乘积系数和指数系数，SOC(t₀)代表电池在开始充电时的剩余电量，h(t)为t时刻电池的可充电容量，即已放电容量；

在恒流充电过程中，电流i为常数，电动汽车的充电功率表示为：

P(t)＝U_b(t)I_n (2)

式中，I_n为恒流充电模式下的充电电流，P(t)为t时刻的充电功率；

步骤1-3、根据电动汽车历史出行数据，构建电动汽车充电负荷时序概率模型：

电动汽车的充电负荷模拟须根据电动汽车的类型来选择各抽样环节的概率模型，抽取其行驶距离、到达时间、起始荷电状态和离开时间，从而确定每个时刻电动汽车的行为状态，进而计算相应时刻电动汽车的SOC值，得到其一天的SOC曲线，计算公式为：

(1)充电时

式中，SOC(t)是电动汽车的起始荷电状态；

(2)行驶时

SOC(t+Δt)＝SOC(t)-d_r/D_r·Δt/T_r (4)

式中，d_r是电动汽车的行驶距离，D_r是电动汽车的最大续航里程，T_r是电动汽车的行驶时长，Δt为计算时间间隔；

然后，借助公式(1)和公式(2)算出其一天的充电功率；再将各类电动汽车的负荷逐辆叠加，得到电动汽车充电总负荷；t时刻电动汽车充电总负荷有功功率的计算公式为：

式中：N₁、N₂和N₃分别代表t时刻该地区处于充电状态的电动私家车、公交车和出租车的数量；P_1nt、P_2nt和P_3nt分别代表t时刻第n辆处于充电状态的电动私家车、公交车和出租车的实时充电功率；

步骤1-4、建立最大充电同时率：

为了清楚地了解某个区域电动汽车一天中同时充电的最大比例，定义电动汽车最大充电同时率为一天中电动汽车最大负荷与电动汽车容量的比值，即：

式中，P_t为t时刻区域内电动汽车充电总负荷，K_z为该区域的电动汽车容量。

进一步地，步骤2所述的建立充电体验指数，以充电体验指数、充电站建设成本和用户便捷性为充电站选址定容优化目标建立上层综合目标，并提出上层规划约束条件包括以下步骤：

步骤2-1、综合充电路程用时、充前SOC值和是否需要排队等要求满足程度建立充电体验指数：

定义充电体验指数为充电过程中用户的充电体验要求得到满足的程度，并综合充电路程用时、充前SOC值和是否需要排队等要求的满足程度来反映用户的充电体验指数；

(1)充电路程用时满足率

不同区域的人们由于时间的紧迫程度不同，对充电路上花费时间的要求不同，即充电路程用时要求不同；定义充电路程用时限值为用户对充电路上花费时间的接受极限值；充电过程中花费的时间大于充电路程用时限值时，则不满足充电体验要求；基于此，为考察所有用户的充电路程用时要求的满足程度，可定义充电路程用时满足率为：

式中，η_{t_sat}为充电路程用时满足率；ε_d(i)为第i个点的电动汽车容量密度；v_a为充电过程中电动汽车的平均行驶速度；T_d(i)为第i个点的充电路程用时限值，即其所属区域的充电路程用时限值；M_{t_sat}为满足充电路程用时要求的点的电动汽车容量密度的集合；N₀为点的个数；L_d(i)为规划区第i个点到所属充电站的直角距离；

(2)充前SOC值满足率

电动汽车在前往充电前的SOC值满足一定概率分布，当SOC值低于一定值时，将会损害电动汽车电池的寿命，因此可定义充前SOC值满足率为用户到达充电站时SOC值满足不损害电动汽车电池寿命的最低SOC值的概率。通过M次蒙特卡罗抽样得到M个SOC值，则充前SOC值满足率的算法为：

式中，η_{s_sat}为充前SOC值满足率；p_d(i)为第i个点满足充前SOC值要求的概率；ε_d(i)为第i个点的电动汽车容量密度；S_range为相应电动汽车的最大续航里程；SOC(j)为蒙特卡罗抽样的第j个SOC值；Ω_d(i)为第i个点M个SOC值中满足充前SOC值要求的SOC值的集合；card()为集合中元素的个数，SOC_min为不损害电池寿命的最低SOC值；M为蒙特卡罗抽样次数；

(3)无需排队满足率

若电动汽车充电需求大于充电站的配置容量，则用户充电前需要排队，不满足无需排队要求。定义无需排队满足率为用户不需要排队的概率。通过蒙特卡罗抽样得到各充电站M次一天24个时刻的充电站负荷数据，则无需排队满足率的算法为：

式中，η_{p_sat}为无需排队满足率；p_CD(i)为充电站i满足无需排队要求的平均概率；П(j)为充电站i第j次蒙特卡罗抽样一天中充电站负荷满足无需排队要求的时刻的集合；J(i)为充电站i的充电机配置数量；P_CD(j,k)为充电站i第j次蒙特卡罗抽样第k个时刻的负荷；P_c为单台充电机的额定功率；α_c为充电效率；

(4)用户充电体验指数计算

综合充电路程用时满足率、充前SOC值满足率和无需排队满足率来反映充电体验指数，算法为：

η_{g_sat}＝η_{t_sat}η_{s_sat}η_{p_sat} (10)

式中，η_{g_sat}为充电体验指数；

步骤2-2、建立充电站建设成本：

充电站建设成本包括变压器、充电机和其他设备的建设成本以及土地费用；因此充电站i的建设成本的算法为：

C_{z_t}(i)＝C_s(i)+C_d(i) (11)

式中，C_s(i)为第i个充电站的变压器、充电机和其他设备的建设成本，由充电站的充电机数量决定；C_d(i)为第i个充电站的土地费用，其算法为：

C_d(i)＝S_d(i)D_d (12)

式中，S_d(i)为第i个充电站的占用土地面积，由充电站的充电机数量决定，D_d为单位面积土地费用；

则规划区的充电站建设总成本为：

C_{g_t}＝∑C_{z_t}(i) (13)

步骤2-3、建立用户便捷性指标：

用户便捷性以充电平均距离来表示；在规划区内平均取点，每个点的电动汽车容量密度为其所属区域的电动汽车容量密度，以每个点的电动汽车容量密度为权重对充电距离进行加权平均得到充电平均距离；则规划区的充电平均距离的算法为：

式中，ε_d(i)和L_d(i)分别为规划区第i个点的电动汽车容量密度和其到所属充电站的直角距离；

步骤2-4、建立上层综合目标：

充电站的上层规划以充电站建设成本、用户便捷性和充电体验指数为目标，对充电站进行选址定容优化；因此，上层综合目标的算法为：

式中，α₁、α₂、α₃为权重系数，其作用为各指标的数量级相同，同时用于消掉各指标的单位，使得上层综合目标为无量纲，B₁为上层综合目标；

步骤2-5、建立上层规划约束条件：

(1)相邻站间距离约束

为保证用户的充电需求，充电站的服务范围不能太大，同时为了避免资源浪费，应避免充电站分布过于集中；因此相邻充电站间的直角距离L_cc要满足约束条件：

L_min＜L_cc＜L_max (16)

式中，L_min和L_max分别为相邻站间距离约束的上下限；

(2)充电机数约束

为了满足用户的充电需求，同时出于对社会资源的充分利用，保证充电机有较高的利用率，充电站的充电机配置数量应满足充电机数约束：

J_min≤J_CD≤J_max (17)

式中，J_min和J_max分别为最小充电机配置数和最大充电机配置数，J_CD为充电站充电机的配置数量，算法为：

式中，Z_CD是充电站服务范围内的最大充电需求；K_CD为充电站服务范围内的电动汽车容量。

进一步地，步骤3提出计及空间权重的元-点加权Voronoi图进行服务范围分区包括以下步骤：

步骤3-1、提出元-点加权Voronoi图：

针对传统的加权Voronoi图不能反映不同区域权重差异的缺陷，本发明提出元-点加权Voronoi图来进行服务范围划分，以空间权重描述不同区域权重的大小；此时生成元生成Voronoi图的速度不仅与生成元的权重有关，还与各区域的空间权重有关；由于考虑了空间权重，不同的行驶路径两点之间的加权距离可能不同，因此本发明定义点A到点B的有向路径为A向B先纵向行驶，再横向行驶的路径，并定义加权有向距离为有向路径的加权距离；

基于此，元-点加权Voronoi图定义为：

V(R_i)＝{P∈V(R_i)|D(R_i,P)≤D(R_j,P),j＝1,2,…,m₁；j≠i} (19)

式中，D(R_i，P)为点R_i到点P的加权有向距离，m₁为生成元的个数，D(R_j,P)为点R_j到点P的加权有向距离，若R_i的权重为v_i，R_i到点P的有向路径经过区域Q₁，Q₂，…，Q_n，n为R_i到点P的有向路径经过的区域个数，相应的空间权重为θ₁，θ₂，…，θ_n，R_i到点P的有向路径经过的边界点分别为P₁，P₂，…，P_n-1，d(P_n-1,P)为点P_n-1到点P的有向距离，则R_i到点P的加权有向距离为：

步骤3-2、建立充电站权重：

在地价低的地方建设服务范围更大、容量更大的充电站，能减小充电站建设总成本；因此在服务范围划分时，可设充电站权重的平方与其占用土地单价的倒数成反比，则充电站i的权重为：

式中，D_i为充电站i的占用土地单价；

步骤3-3、建立空间权重：

本发明综合不同类型区域的充电路程用时要求和电动汽车容量密度来建立区域的空间权重，则区域类型i的空间权重的算法为：

式中，θ_q(i)、ε_q(i)、T_q(i)分别为区域类型i的空间权重、电动汽车容量密度和充电路程用时限值，β₁和β₂为权重系数；

步骤3-4、充电站服务范围划分

为便于计算，在利用元-点加权Voronoi图进行充电站规划时，规划区内均匀生成点，邻近点的移动步长为Δx＝Δy＝Δl，用矩阵分别记录每个点的坐标、电动汽车容量密度、土地单价、充电路程用时限值等信息，建立点数据库；在画Voronoi图时，每个点都用一个方块来代表，方块的边长为移动步长，点位于方块的中心；方块的电动汽车容量为方块的面积与点的电动汽车容量密度的乘积；

若权重为v_i的充电站R_i到点O的有向路径依次经过O₁，O₂，…，O_n-1，各点相应的空间权重为θ_q1，θ_q2，…，θ_qn，则R_i到点O的加权有向距离为：

将各生成元到某点的加权有向距离进行比较，加权有向距离最小对应的生成元将该点划进其服务范围；

充电站的电动汽车容量为其服务范围内所有点的电动汽车容量之和，算法为：

式中，ε_d(i)为该充电站服务范围内第i个点的电动汽车容量密度，ΔS为单个方块的面积。

进一步地，步骤4所述的基于上层优化目标采用遗传禁忌混合算法建立上层规划流程包括以下内容：

本发明采用遗传禁忌混合算法(GATS)进行充电站上层规划；GATS综合了GA(遗传算法)具有多出发点和TS(禁忌搜索算法)的记忆功能和爬山能力强的特点，把TS独有的记忆功能引入到GA进化搜索过程中，构造新的重组算子(TSR)；使用TS改进GA的爬山能力，即把TS作为GA的变异算子(TSM)；充电站上层规划主要步骤如下：

Ⅰ.采集点数据库信息，作为优化的基础数据；

Ⅱ.利用点数据库的电动汽车容量密度信息，求出规划区内的电动汽车容量，即K_z，进而计算规划区的最大充电需求Z_z，算法为：

Ⅲ.根据规划区内的最大充电需求Z_z，以充电站的最小充电机配置数J_min和最大充电机配置数J_max为约束，计算充电站的最小座数N_min和最大座数N_max，即：

Ⅳ.对于不同的充电站数方案，基于上层综合目标采用GATS和元-点加权Voronoi图进行选址定容优化，包括以下步骤：

(1)记充电站数为g，设置GA的最大迭代数N_gen、禁忌表长度T_length1、群体规模N_pop、重组概率p_ch和变异概率p_m；TSM中禁忌表长度T_length2、邻域解个数N_h和最大迭代数N_t等参数；

(2)t_r表示迭代次数，令t_r＝0，将规划区平均分为g个区，分别从各区中随机抽取一个地址，得到染色体的地址序列[x₁，y₁；…；x_i，y_i；…；x_g，y_g]，(x_i，y_i)为染色体的地址序列中的第i个地址，地址之间不满足站间距离约束的重新生成；

(3)计算当代群体的上层综合目标；

(4)按滚轮盘方式选出N_pop个染色体；

(5)生成0和1之间的随机数r_i，i＝1，2，…，N_pop，若r_i<p_ch，则第i个染色体为父代；对每对染色体进行交叉操作，随机互换两个基因，判断子代是否满足站间距离约束，不满足则选最优父代进下一代；若满足，则将子代的上层综合目标同渴望水平相比，若更好，则破禁进下一代；若更差，但不属于禁忌，则接受这个子代，若属于禁忌，则选最优父代进下一代；

(6)生成0和1之间的随机数q_i，i＝1，2，…，N_pop；若q_i<p_m，则对第i个染色体进行变异操作：

a.以当前染色体作为最优染色体，将其上层综合目标作为最优上层综合目标，置TSM的禁忌表为空；

b.以当前地址基因为中心生成邻域地址基因(x+Δx，y)、(x-Δx，y)、(x，y+Δy)和(x，y-Δy)，加上当前地址基因构成等位基因序列，进行全排列得到5^g个染色体并从中随机抽出N_h个；

c.将这N_h个染色体中不满足站间距离约束的剔除；剩余的不在禁忌表中的染色体为候选染色体，计算其中分区后满足充电机数约束的上层综合目标；

d.以上层综合目标最小选出最优候选染色体，并用它替代当前染色体和最早进入不满足的染色体；

e.判断最优候选染色体的上层综合目标是否小于最优上层综合目标？是则用它替换最优染色体，并将其上层综合目标替换最优上层综合目标，然后转步骤f；否则直接转到步骤f；

f.判断是否达到最大迭代数N_t，或最优上层综合目标已连续30次保持不变？是则输出最优染色体；否则返回步骤b；

(7)t_r＝t_r+1，若t_r<N_gen，转步骤(3)；否则输出最优解，终止算法。

进一步地，步骤5所述的以新建馈线成本和配电网的运行风险为充电站负荷接入节点优化目标建立下层综合目标，并提出下层约束条件包括以下步骤：

步骤5-1、计算新建馈线成本：

充电站负荷要接入配电网，要通过建设新的馈线来接入配电网的节点；假定新建馈线是沿直线铺设的，则充电站的新建馈线成本算法为：

C_k＝D_k∑L_k(i) (27)

式中，D_k为馈线的单位长度造价；L_k(i)为第i个充电站的新建馈线长度，即第i个充电站到接入节点的直角距离；

步骤5-2、计算配电网运行风险：

(1)元件风险指标

基于加权熵原理，以加权电压分布熵表征电压越限及电压分布不确定性引起的电压风险，以加权潮流分布熵表征潮流越限及潮流分布不确定性引起的潮流风险，算法为：

式中，H_{v_i}(t)和H_{l_i}(t)分别为t时刻节点i的加权电压分布熵和支路i的加权潮流分布熵；n_v__i(t)和n_l__i(t)分别为t时刻节点i的电压状态数和支路i的潮流状态数；S_{v_j}(t)和P_{v_j}(t)分别为t时刻节点i第j个电压状态的电压损失严重度和概率；S_{l_j}(t)和P_l__j(t)分别为t时刻支路i第j个潮流状态的潮流损失严重度和概率；

损失严重度S的算法为：

式中，μ为损失严重度的放大系数，以调节损失严重度的灵敏性；w为损失量；

(2)网络风险指标

本发明综合电压风险和潮流风险对含大规模电动汽车的配电网进行运行风险评估；为考察配电网运行风险一天的变化情况，可将t时刻网络运行风险定义为：

H_w(t)＝γ₁H_v(t)+γ₂H_l(t) (30)

式中，H_w(t)为t时刻的网络运行风险；γ₁和γ₂为权重系数；H_v(t)和H_l(t)分别为t时刻的网络电压风险和网络潮流风险，算法为：

式中，z₁和z₂分别为配电网的节点数和支路数；

为研究配电网安全运行面对的最严重的风险情况，定义网络最大运行风险为网络运行风险一天的最大值，即：

H_wmax＝max(H_w(t))t＝1,2,…,24 (32)

步骤5-3、提出下层综合目标：

充电站下层规划综合考虑新建馈线成本和配电网的运行风险，对充电站负荷接入节点进行优化；定义下层综合目标为：

B₂＝ρ₁C_k+ρ₂H_wmax (33)

式中，C_k和H_wmax分别为新建馈线成本和网络最大运行风险；ρ₁和ρ₂为权重系数；

步骤5-4、提出下层规划约束条件：

(1)馈线长度约束

当新建馈线太长时，不仅馈线成本过大，同时馈线的阻抗过大，会增大功率损耗和电压损耗。因此新建的馈线应满足馈线长度约束：

L_k(i)≤L_kmax (34)

式中，L_kmax为新建馈线的长度限值；

(2)充电站负荷约束

由于充电站的充电负荷不可能大于其安装容量，因此要满足约束：

P_CD(i)≤α_cJ(i)P_c (35)

式中，P_CD(i)为充电站i的充电负荷。

进一步地，步骤6所述的基于下层综合目标采用循环替换法建立下层规划流程包括以下内容：

(1)输入充电站地址及各分区电动汽车容量、充电过程参数、配电网络参数数据；

(2)通过蒙特卡罗抽样计算各个充电站分区的N_m次日充电负荷数据；

(3)将充电站负荷就近接入配电网节点作为当前方案，计算下层综合目标；

(4)记充电站的个数为g，确定各分区的优化顺序，b_m＝0；

(5)b_m＝b_m+1，计算充电站b_m到各节点的距离，将满足约束的节点作为候选节点；

(6)保持其他接入节点不变，将充电站b_m的负荷分别接入各候选节点，计算下层综合目标，以下层综合目标最小选最优候选方案；

(7)判断最优候选方案与当前方案的优劣，若最优候选方案比当前方案更优，则以最优候选方案替换当前方案，否则保留当前方案不变；

(8)判断是否有b_m<g，是则返回步骤(5)，否则转到步骤(9)；

(9)不断循环优化，直至充电站负荷接入方案不再改变为止。

与现有技术相比，本发明考虑用户充电体验和配电网运行风险的充电站互动规划方法具有如下显著的效果：本发明提出的计及空间权重的元-点加权Voronoi图能够综合考虑占用土地价格、充电路程用时要求和电动汽车容量密度，使充电站尽量选择低价低的位置作为站址，同时能够反映不同区域对充电站需求的差异，使充电站更加靠近商业区和办公区等对充电要求更高的区域，更能反映用户对充电站的实际要求；考虑用户的充电体验，将充电体验指数作为充电站选址定容的优化目标，有效地改善用户的充电体验，从而更好地满足用户的充电体验需求；将配电网的运行风险作为充电站负荷接入节点优化目标，以较小的新建馈线成本代价有效减小大规模充电站负荷接入配电网造成的运行风险，保证配电网能够更加安全稳定地运行，具有实际意义。

附图说明

图1为本发明实施例中的基于循环替换法的下层规划流程图；

图2为本发明实施例中规划区的区域分类及配网图；

图3为本发明实施例中各类型常规负荷的曲线图；

图4为本发明实施例中充电站数为6时最优规划方案的充电站服务范围分区图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下通过实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

本发明实施例将给出考虑用户充电体验和配电网运行风险的充电站互动规划方法的具体应用实例，包括以下步骤：

步骤1：根据电动汽车历史数据，建立电动汽车负荷模型包括以下步骤：

步骤1-1、采用电动汽车容量来描述区域内电动汽车的规模，所述电动汽车容量为区域内所有电动汽车额定充电功率的总和，包括处于充电状态和非充电状态的全部电动汽车；将单位面积电动汽车容量定义为电动汽车容量密度；

步骤1-2、根据电动汽车电池实际充电过程，构建电动汽车恒流-恒压二阶段变功率充电模型：

电动汽车在充电过程中，采用一种恒流-恒压二阶段变功率充电模式，当电池端电压小于最大电池端电压U_bmax时，电池是以恒电流模式进行充电；当电池端电压达到最大电池端电压U_bmax时，电池进入恒压阶段，电流迅速衰减为零，充电功率为零；描述其充电过程的方程为：

式中，U_b(t)为t时刻电池两端的电压，i_c为充电时的电流，C₀是电池的标称容量，R为电池内阻，K₀是电池的极化常数，E₀是电池的恒定电势，A₀和B₀分别为电池充电指数段的乘积系数和指数系数，SOC(t₀)代表电池在开始充电时的剩余电量，h(t)为t时刻电池的可充电容量，即已放电容量；

在恒流充电过程中，电流i为常数，电动汽车的充电功率表示为：

P(t)＝U_b(t)I_n (2)

式中，I_n为恒流充电模式下的充电电流，P(t)为t时刻的充电功率；

步骤1-3、根据电动汽车历史出行数据，构建电动汽车充电负荷时序概率模型：

电动汽车的充电负荷模拟须根据电动汽车的类型来选择各抽样环节的概率模型，抽取其行驶距离、到达时间、起始荷电状态和离开时间，从而确定每个时刻电动汽车的行为状态，进而计算相应时刻电动汽车的SOC值，得到其一天的SOC曲线，计算公式为：

(1)充电时

式中，SOC(t)是电动汽车的起始荷电状态；

(2)行驶时

SOC(t+Δt)＝SOC(t)-d_r/D_r·Δt/T_r (4)

式中，d_r是电动汽车的行驶距离，D_r是电动汽车的最大续航里程，T_r是电动汽车的行驶时长，Δt为时间间隔；

然后，借助公式(1)和公式(2)算出其一天的充电功率；再将各类电动汽车的负荷逐辆叠加，得到电动汽车充电总负荷；t时刻电动汽车充电总负荷有功功率的计算公式为：

式中：N₁、N₂和N₃分别代表t时刻该地区处于充电状态的电动私家车、公交车和出租车的数量；P_1nt、P_2nt和P_3nt分别代表t时刻第n辆处于充电状态的电动私家车、公交车和出租车的实时充电功率；

步骤1-4、建立最大充电同时率：

为了清楚地了解某个区域电动汽车一天中同时充电的最大比例，定义电动汽车最大充电同时率为一天中电动汽车最大负荷与电动汽车容量的比值，即：

式中，P_t为t时刻区域内电动汽车充电总负荷，K_z为该区域的电动汽车容量。

步骤2：建立充电体验指数，以充电体验指数、充电站建设成本和用户便捷性为充电站选址定容优化目标建立上层综合目标，并提出上层规划约束条件包括以下步骤：

步骤2-1、综合充电路程用时、充前SOC值和是否需要排队等要求满足程度建立充电体验指数：

定义充电体验指数为充电过程中用户的充电体验要求得到满足的程度，并综合充电路程用时、充前SOC值和是否需要排队等要求的满足程度来反映用户的充电体验指数；

(1)充电路程用时满足率

不同区域的人们由于时间的紧迫程度不同，对充电路上花费时间的要求不同，即充电路程用时要求不同；定义充电路程用时限值为用户对充电路上花费时间的接受极限值；充电过程中花费的时间大于充电路程用时限值时，则不满足充电体验要求；基于此，为考察所有用户的充电路程用时要求的满足程度，可定义充电路程用时满足率为：

式中，η_{t_sat}为充电路程用时满足率；ε_d(i)为第i个点的电动汽车容量密度；v_a为充电过程中电动汽车的平均行驶速度；T_d(i)为第i个点的充电路程用时限值，即其所属区域的充电路程用时限值；M_{t_sat}为满足充电路程用时要求的点的电动汽车容量密度的集合；N₀为点的个数；L_d(i)为规划区第i个点到所属充电站的直角距离；

(2)充前SOC值满足率

电动汽车在前往充电前的SOC值满足一定概率分布，当SOC值低于一定值时，将会损害电动汽车电池的寿命，因此可定义充前SOC值满足率为用户到达充电站时SOC值满足不损害电动汽车电池寿命的最低SOC值的概率。通过M次蒙特卡罗抽样得到M个SOC值，则充前SOC值满足率的算法为：

式中，η_{s_sat}为充前SOC值满足率；p_d(i)为第i个点满足充前SOC值要求的概率；ε_d(i)为第i个点的电动汽车容量密度；S_range为相应电动汽车的最大续航里程；SOC(j)为蒙特卡罗抽样的第j个SOC值；Ω_d(i)为第i个点M个SOC值中满足充前SOC值要求的SOC值的集合；card()为集合中元素的个数，SOC_min为不损害电池寿命的最低SOC值；M为蒙特卡罗抽样次数；

(3)无需排队满足率

若电动汽车充电需求大于充电站的配置容量，则用户充电前需要排队，不满足无需排队要求。定义无需排队满足率为用户不需要排队的概率。通过蒙特卡罗抽样得到各充电站M次一天24个时刻的充电站负荷数据，则无需排队满足率的算法为：

式中，η_{p_sat}为无需排队满足率；p_CD(i)为充电站i满足无需排队要求的平均概率；П(j)为充电站i第j次蒙特卡罗抽样一天中充电站负荷满足无需排队要求的时刻的集合；J(i)为充电站i的充电机配置数量；P_CD(j,k)为充电站i第j次蒙特卡罗抽样第k个时刻的负荷；P_c为单台充电机的额定功率；α_c为充电效率；

(4)用户充电体验指数计算

综合充电路程用时满足率、充前SOC值满足率和无需排队满足率来反映充电体验指数，算法为：

η_{g_sat}＝η_{t_sat}η_{s_sat}η_{p_sat} (10)

式中，η_{g_sat}为充电体验指数；

步骤2-2、建立充电站建设成本：

充电站建设成本包括变压器、充电机和其他设备的建设成本以及土地费用；因此充电站i的建设成本的算法为：

C_{z_t}(i)＝C_s(i)+C_d(i) (11)

式中，C_s(i)为第i个充电站的变压器、充电机和其他设备的建设成本，由充电站的充电机数量决定；C_d(i)为第i个充电站的土地费用，其算法为：

C_d(i)＝S_d(i)D_d (12)

式中，S_d(i)为第i个充电站的占用土地面积，由充电站的充电机数量决定，D_d为单位面积土地费用；

则规划区的充电站建设总成本为：

C_{g_t}＝∑C_{z_t}(i) (13)

步骤2-3、建立用户便捷性指标：

用户便捷性以充电平均距离来表示；在规划区内平均取点，每个点的电动汽车容量密度为其所属区域的电动汽车容量密度，以每个点的电动汽车容量密度为权重对充电距离进行加权平均得到充电平均距离；则规划区的充电平均距离的算法为：

式中，ε_d(i)和L_d(i)分别为规划区第i个点的电动汽车容量密度和其到所属充电站的直角距离；

步骤2-4、建立上层综合目标：

充电站的上层规划以充电站建设成本、用户便捷性和充电体验指数为目标，对充电站进行选址定容优化；因此，上层综合目标的算法为：

式中，α₁、α₂、α₃为权重系数，其作用为各指标的数量级相同，同时用于消掉各指标的单位，使得上层综合目标为无量纲,B₁为上层综合目标；

步骤2-5、建立上层规划约束条件：

(1)相邻站间距离约束

为保证用户的充电需求，充电站的服务范围不能太大，同时为了避免资源浪费，应避免充电站分布过于集中；因此相邻充电站间的直角距离L_cc要满足约束条件：

L_min＜L_cc＜L_max (16)

式中，L_min和L_max分别为相邻站间距离约束的上下限；

(2)充电机数约束

为了满足用户的充电需求，同时出于对社会资源的充分利用，保证充电机有较高的利用率，充电站的充电机配置数量应满足充电机数约束：

J_min≤J_CD≤J_max (17)

式中，J_min和J_max分别为最小充电机配置数和最大充电机配置数，J_CD为充电站充电机的配置数量，算法为：

式中，Z_CD是充电站服务范围内的最大充电需求；K_CD为充电站服务范围内的电动汽车容量。

步骤3：提出计及空间权重的元-点加权Voronoi图进行服务范围分区包括以下步骤：

步骤3-1、提出元-点加权Voronoi图：

针对传统的加权Voronoi图不能反映不同区域权重差异的缺陷，本发明提出元-点加权Voronoi图来进行服务范围划分，以空间权重描述不同区域权重的大小；此时生成元生成Voronoi图的速度不仅与生成元的权重有关，还与各区域的空间权重有关；由于考虑了空间权重，不同的行驶路径两点之间的加权距离可能不同，因此本发明定义点A到点B的有向路径为A向B先纵向行驶，再横向行驶的路径，并定义加权有向距离为有向路径的加权距离；

基于此，元-点加权Voronoi图定义为：

V(R_i)＝{P∈V(R_i)|D(R_i,P)≤D(R_j,P),j＝1,2,…,m₁；j≠i} (19)

式中，D(R_i，P)为点R_i到点P的加权有向距离，m₁为生成元的个数，D(R_j,P)为点R_j到点P的加权有向距离，若R_i的权重为v_i，R_i到点P的有向路径经过区域Q₁，Q₂，…，Q_n，n为R_i到点P的有向路径经过的区域个数，相应的空间权重为θ₁，θ₂，…，θ_n，R_i到点P的有向路径经过的边界点分别为P₁，P₂，…，P_n-1，d(P_n-1,P)为点P_n-1到点P的有向距离，则R_i到点P的加权有向距离为：

步骤3-2、建立充电站权重：

在地价低的地方建设服务范围更大、容量更大的充电站，能减小充电站建设总成本；因此在服务范围划分时，可设充电站权重的平方与其占用土地单价的倒数成反比，则充电站i的权重为：

式中，D_i为充电站i的占用土地单价；

步骤3-3、建立空间权重：

本发明综合不同类型区域的充电路程用时要求和电动汽车容量密度来建立区域的空间权重，则区域类型i的空间权重的算法为：

式中，θ_q(i)、ε_q(i)、T_q(i)分别为区域类型i的空间权重、电动汽车容量密度和充电路程用时限值，β₁和β₂为权重系数；

步骤3-4、充电站服务范围划分

为便于计算，在利用元-点加权Voronoi图进行充电站规划时，规划区内均匀生成点，邻近点的移动步长为Δx＝Δy＝Δl，用矩阵分别记录每个点的坐标、电动汽车容量密度、土地单价、充电路程用时限值等信息，建立点数据库；在画Voronoi图时，每个点都用一个方块来代表，方块的边长为移动步长，点位于方块的中心；方块的电动汽车容量为方块的面积与点的电动汽车容量密度的乘积；

若权重为v_i的充电站R_i到点O的有向路径依次经过O₁，O₂，…，O_n-1，各点相应的空间权重为θ_q1，θ_q2，…，θ_qn，则R_i到点O的加权有向距离为：

将各生成元到某点的加权有向距离进行比较，加权有向距离最小对应的生成元将该点划进其服务范围；

充电站的电动汽车容量为其服务范围内所有点的电动汽车容量之和，算法为：

式中，ε_d(i)为该充电站服务范围内第i个点的电动汽车容量密度，ΔS为单个方块的面积。

步骤4：基于上层优化目标采用遗传禁忌混合算法建立上层规划流程包括以下内容：

本发明采用遗传禁忌混合算法(GATS)进行充电站上层规划；GATS综合了GA具有多出发点和TS的记忆功能和爬山能力强的特点，把TS独有的记忆功能引入到GA进化搜索过程中，构造新的重组算子(TSR)；使用TS改进GA的爬山能力，即把TS作为GA的变异算子(TSM)；充电站上层规划主要步骤如下：

Ⅰ.采集点数据库信息，作为优化的基础数据；

Ⅱ.利用点数据库的电动汽车容量密度信息，求出规划区内的电动汽车容量，即K_z，进而计算规划区的最大充电需求Z_z，算法为：

Ⅲ.根据规划区内的最大充电需求Z_z，以充电站的最小充电机配置数J_min和最大充电机配置数J_max为约束，计算充电站的最小座数N_min和最大座数N_max，即：

Ⅳ.对于不同的充电站数方案，基于上层综合目标采用GATS和元-点加权Voronoi图进行选址定容优化，包括以下步骤：

(1)记充电站数为g，设置GA的最大迭代数N_gen、禁忌表长度T_length1、群体规模N_pop、重组概率p_ch和变异概率p_m；TSM中禁忌表长度T_length2、邻域解个数N_h和最大迭代数N_t等参数；

(2)t_r表示迭代次数，令t_r＝0，将规划区平均分为g个区，分别从各区中随机抽取一个地址，得到染色体的地址序列[x₁，y₁；…；x_i，y_i；…；x_g，y_g]，(x_i，y_i)为染色体的地址序列中的第i个地址，地址之间不满足站间距离约束的重新生成；

(3)计算当代群体的上层综合目标；

(4)按滚轮盘方式选出N_pop个染色体；

(5)生成0，1之间的随机数r_i，i＝1，2，…，N_pop，若r_i<p_ch，则第i个染色体为父代；对每对染色体进行交叉操作，随机互换两个基因，判断子代是否满足站间距离约束，不满足则选最优父代进下一代；若满足，则将子代的上层综合目标同渴望水平相比，若更好，则破禁进下一代；若更差，但不属于禁忌，则接受这个子代，若属于禁忌，则选最优父代进下一代；

(6)生成0，1之间的随机数q_i，i＝1，2，…，N_pop；若q_i<p_m，则对第i个染色体进行变异操作：

a.以当前染色体作为最优染色体，将其上层综合目标作为最优上层综合目标，置TSM的禁忌表为空；

b.以当前地址基因为中心生成邻域地址基因(x+Δx，y)、(x-Δx，y)、(x，y+Δy)和(x，y-Δy)，加上当前地址基因构成等位基因序列，进行全排列得到5^g个染色体并从中随机抽出N_h个；

c.将这N_h个染色体中不满足站间距离约束的剔除；剩余的不在禁忌表中的染色体为候选染色体，计算其中分区后满足充电机数约束的上层综合目标；

d.以上层综合目标最小选出最优候选染色体，并用它替代当前染色体和最早进入不满足的染色体；

e.判断最优候选染色体的上层综合目标是否小于最优上层综合目标？是则用它替换最优染色体，并将其上层综合目标替换最优上层综合目标，然后转步骤f；否则直接转到步骤f；

f.判断是否达到最大迭代数N_t，或最优上层综合目标已连续30次保持不变？是则输出最优染色体；否则返回步骤b；

(7)t_r＝t_r+1，若t_r<N_gen，转步骤(3)；否则输出最优解，终止算法。

步骤5：以新建馈线成本和配电网的运行风险为充电站负荷接入节点优化目标建立下层综合目标，并提出下层约束条件包括以下步骤：

步骤5-1、计算新建馈线成本：

充电站负荷要接入配电网，要通过建设新的馈线来接入配电网的节点；假定新建馈线是沿直线铺设的，则充电站的新建馈线成本算法为：

C_k＝D_k∑L_k(i) (27)

式中，D_k为馈线的单位长度造价；L_k(i)为第i个充电站的新建馈线长度，即第i个充电站到接入节点的直角距离；

步骤5-2、计算配电网运行风险：

(1)元件风险指标

基于加权熵原理，以加权电压分布熵表征电压越限及电压分布不确定性引起的电压风险，以加权潮流分布熵表征潮流越限及潮流分布不确定性引起的潮流风险，算法为：

式中，H_{v_i}(t)和H_{l_i}(t)分别为t时刻节点i的加权电压分布熵和支路i的加权潮流分布熵；n_{v_i}(t)和n_{l_i}(t)分别为t时刻节点i的电压状态数和支路i的潮流状态数；S_{v_j}(t)和P_{v_j}(t)分别为t时刻节点i第j个电压状态的电压损失严重度和概率；S_{l_j}(t)和P_{l_j}(t)分别为t时刻支路i第j个潮流状态的潮流损失严重度和概率；

损失严重度S的算法为：

式中，μ为损失严重度的放大系数，以调节损失严重度的灵敏性；w为损失量；

(2)网络风险指标

本发明综合电压风险和潮流风险对含大规模电动汽车的配电网进行运行风险评估；为考察配电网运行风险一天的变化情况，可将t时刻网络运行风险定义为：

H_w(t)＝γ₁H_v(t)+γ₂H_l(t) (30)

式中，H_w(t)为t时刻的网络运行风险；γ₁和γ₂为权重系数；H_v(t)和H_l(t)分别为t时刻的网络电压风险和网络潮流风险，算法为：

式中，z₁和z₂分别为配电网的节点数和支路数；

为研究配电网安全运行面对的最严重的风险情况，定义网络最大运行风险为网络运行风险一天的最大值，即：

H_wmax＝max(H_w(t))t＝1,2,…,24 (32)

步骤5-3、提出下层综合目标：

充电站下层规划综合考虑新建馈线成本和配电网的运行风险，对充电站负荷接入节点进行优化；定义下层综合目标为：

B₂＝ρ₁C_k+ρ₂H_wmax (33)

式中，C_k和H_wmax分别为新建馈线成本和网络最大运行风险；ρ₁和ρ₂为权重系数；

步骤5-4、提出下层规划约束条件：

(1)馈线长度约束

当新建馈线太长时，不仅馈线成本过大，同时馈线的阻抗过大，会增大功率损耗和电压损耗。因此新建的馈线应满足馈线长度约束：

L_k(i)≤L_kmax (34)

式中，L_kmax为新建馈线的长度限值；

(2)充电站负荷约束

由于充电站的充电负荷不可能大于其安装容量，因此要满足约束：

P_CD(i)≤α_cJ(i)P_c (35)

式中，P_CD(i)为充电站i的充电负荷。

步骤6：基于下层综合目标采用循环替换法建立下层规划流程如图1所示，包括以下内容：

(1)输入充电站地址及各分区电动汽车容量、充电过程参数、配电网络参数等数据；

(2)通过蒙特卡罗抽样计算各个充电站分区的N_m次日充电负荷数据；

(3)将充电站负荷就近接入配电网节点作为当前方案，计算下层综合目标；

(4)记充电站的个数为g，确定各分区的优化顺序，b_m＝0；

(5)b_m＝b_m+1，计算充电站b_m到各节点的距离，将满足约束的节点作为候选节点；

(6)保持其他接入节点不变，将充电站b_m的负荷分别接入各候选节点，计算下层综合目标，以下层综合目标最小选最优候选方案；

(7)判断最优候选方案与当前方案的优劣，若最优候选方案比当前方案更优，则以最优候选方案替换当前方案，否则保留当前方案不变；

(8)判断是否有b_m<g，是则返回步骤(5)，否则转到步骤(9)；

(9)不断循环优化，直至充电站负荷接入方案不再改变为止。

在实施例中，规划区如图2所示，由10kV配电系统供电。节点e_s为平衡节点，电压设为1.05p.u.，系统等值电抗X_s为2Ω。配电网线路线型为LGJ-185，线路参数如表1所示。e₀为不接入负荷的联络节点。图2中1-30为配电网的负荷节点，负荷节点位置及负荷峰值如表2所示。电动汽车负荷功率因数为0.95。本发明设单台充电机功率为120kW，最大充电同时率λ_max取0.2，SOC_min取0.15，v_a取20km/h。各类型常规负荷曲线如图3所示。站间距离约束上下限L_max和L_min分别取6km和3km。新建馈线的长度限值L_kmax取4km。

为使损失严重度具有较大的灵敏性，令损失量增大0.001时损失严重度最小的增量为0.05，此时放大系数μ的值为82.422。蒙特卡罗抽样次数M设为500次。权重系数α₁、α₂、α₃分别取0.02、0.49和0.49；β₁、β₂、γ₁、γ₂皆取0.5。ρ₁和ρ₂分别取0.9和0.1。

GATS参数设为：GA中N_pop为200，N_gen为50，p_ch为0.5，T_length1为15，p_m为0.2；TS中N_h为30，T_length2为15，N_t为50。

其他仿真参数设置如表1-表6。

表1线路参数

表2负荷节点位置

表3各区域参数设置

表4电动汽车参数

表5锂电池充电过程参数

表6充电站参数

为证明本发明提出的充电站规划方法的有效性，本文进行了以下仿真。

采用GATS进行充电站规划，只有在充电站数为4、5和6时存在满足约束条件的规划方案，不同充电站数下的最优规划方案的仿真结果如表7所示。

表7不同充电站数最优方案

由表7可知，随着建设充电站数目的增多，充电站建设总成本增大，但是充电平均距离减小，用户充电体验指数增大。因此，用户便捷性和充电体验指数的提高，是以建设成本的提高为代价的。当充电站数为6时，上层综合目标最小，能够同时较好地满足建设成本、用户便捷性和充电体验的需求，相应的最优规划方案为充电站选址定容优化的最优方案。

充电站数为6时的最优规划方案的服务范围分区如图4所示，各指标数据如表8所示。

表8充电站站址与成本

由图4和表8可知，充电站选址时会优先选择工业区或休闲区这些地价较低的地方作为站址，以降低建设成本。位于工业区的充电站3和6由于地价低，充电站权重大，因此不仅建设成本较小，而且服务范围较大。因此验证了本发明在充电站服务范围分区时以占用土地价格来衡量充电站权重的合理性。

充电站数为6时，分别采用加权Voronoi图分区(情景1)和本发明提出的元-点加权Voronoi图分区(情景2)时的最优规划方案中，各区域的点到所属充电站的充电平均距离如表9所示。

表9各区域充电平均距离

由表9可知，相比于加权Voronoi图分区，采用考虑空间权重的元-点加权Voronoi图进行分区后，商业区和办公区的充电平均距离明显减小了，而工业区和休闲区的充电平均距离增大了。这是由于商业区和办公区的充电路程用时要求较高，电动汽车容量密度较大，其空间权重较大，区域内有向加权距离相对更小，充电站的分区速度更快，因此总体上与充电站的距离更近。相反，工业区和休闲区的空间权重较小，因此总体上与充电站的距离更远。充电站的位置更靠近商业区等充电路程用时要求更高和电动汽车容量密度更大即对充电站需求更大的区域，证明了发明提出的元-点加权Voronoi图考虑空间权重的合理性以及元-点加权Voronoi图相对于加权Voronoi图在范围划分方面的优越性。

考虑用户充电体验指数前后，最优规划方案的充电站数分别为4座和6座，用户充电体验指标如表10所示。

表10充电体验指标

由表10可知，考虑充电体验指数后，充电路程用时满足率、充前SOC值满足率和无需排队满足率都得到了明显的提高，充电体验指数提高了23.6％，用户充电体验得到了更大的满足。因此以充电体验指数为优化目标，能够更好地满足用户的充电体验要求。

以充电站数为6时的最优规划方案为基础，进行充电站负荷接入节点优化，优化结果如表11和表12所示，优化前后越限最严重的几个元件在20:00时的越限概率及其状态数分别如表13和表14所示。。

表11优化前后接入节点

表12优化前后目标值

表13就近接入时风险最严重元件

表14优化后风险最严重元件

由表11和表12可知，优化后新建馈线成本增大为原来的3.4倍，配电网的运行风险减小为原来的4.83％。由表13和14可知，与充电站负荷就近接入时相比，优化后各元件的越限概率极大地减小了，电压和潮流状态数减小即元件的状态分布更加稳定了。由此可见，节点优化效果非常明显，能够以较小的新建馈线成本为代价，有效地减小配电网的运行风险，使得大规模充电负荷接入配电网时能够保证配电网的安全运行，证明了本发明提出的进行充电负荷接入节点优化的下层规划模型的有效性。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他任何未背离本发明的精神实质和原理下所作的修改、修饰、替代、组合、简化，均应为等效的置换方式，都应包含在本发明的保护范围之内。

Claims (7)

1.考虑用户充电体验和配电网运行风险的充电站规划方法，其特征在于，包括步骤：

步骤1、根据电动汽车历史数据，建立电动汽车负荷模型；

步骤2、建立充电体验指数，以充电体验指数、充电站建设成本和用户便捷性为充电站选址定容优化目标建立上层综合目标，并提出上层规划约束条件；

步骤3、提出计及空间权重的元-点加权Voronoi图进行服务范围分区；

步骤4、基于上层优化目标采用遗传禁忌混合算法建立上层规划流程；

步骤5、以新建馈线成本和配电网的运行风险为充电站负荷接入节点优化目标建立下层综合目标，并提出下层约束条件；

步骤6、基于下层综合目标采用循环替换法建立下层规划流程。

2.根据权利要求1所述的考虑用户充电体验和配电网运行风险的充电站规划方法，其特征在于，步骤1所述的根据电动汽车历史数据，建立电动汽车负荷模型包括以下步骤：

步骤1-1、采用电动汽车容量来描述区域内电动汽车的规模，所述电动汽车容量为区域内所有电动汽车额定充电功率的总和，包括处于充电状态和非充电状态的全部电动汽车；将单位面积电动汽车容量定义为电动汽车容量密度；

步骤1-2、根据电动汽车电池实际充电过程，构建电动汽车恒流-恒压二阶段变功率充电模型：

电动汽车在充电过程中，采用一种恒流-恒压二阶段变功率充电模式，当电池端电压小于最大电池端电压U_bmax时，电池是以恒电流模式进行充电；当电池端电压达到最大电池端电压U_bmax时，电池进入恒压阶段，电流迅速衰减为零，充电功率为零；描述其充电过程的方程为：

式中，U_b(t)为t时刻电池两端的电压，i_c为充电时的电流，C₀是电池的标称容量，R为电池内阻，K₀是电池的极化常数，E₀是电池的恒定电势，A₀和B₀分别为电池充电指数段的乘积系数和指数系数，SOC(t₀)代表电池在开始充电时的剩余电量，h(t)为t时刻电池的可充电容量，即已放电容量；

在恒流充电过程中，电流i为常数，电动汽车的充电功率表示为：

P(t)＝U_b(t)I_n (2)

式中，I_n为恒流充电模式下的充电电流，P(t)为t时刻的充电功率；

步骤1-3、根据电动汽车历史出行数据，构建电动汽车充电负荷时序概率模型：

电动汽车的充电负荷模拟须根据电动汽车的类型来选择各抽样环节的概率模型，抽取其行驶距离、到达时间、起始荷电状态和离开时间，从而确定每个时刻电动汽车的行为状态，进而计算相应时刻电动汽车的SOC值，得到其一天的SOC曲线，计算公式为：

(1)充电时

式中，SOC(t)是电动汽车的起始荷电状态；

(2)行驶时

SOC(t+Δt)＝SOC(t)-d_r/D_r·Δt/T_r (4)

式中，d_r是电动汽车的行驶距离，D_r是电动汽车的最大续航里程，T_r是电动汽车的行驶时长，Δt为时间间隔；

然后，借助公式(1)和公式(2)算出其一天的充电功率；再将各类电动汽车的负荷逐辆叠加，得到电动汽车充电总负荷；t时刻电动汽车充电总负荷有功功率的计算公式为：

式中：N₁、N₂和N₃分别代表t时刻该地区处于充电状态的电动私家车、公交车和出租车的数量；P_1nt、P_2nt和P_3nt分别代表t时刻第n辆处于充电状态的电动私家车、公交车和出租车的实时充电功率；

步骤1-4、建立最大充电同时率：

为了清楚地了解某个区域电动汽车一天中同时充电的最大比例，定义电动汽车最大充电同时率为一天中电动汽车最大负荷与电动汽车容量的比值，即：

式中，P_t为t时刻区域内电动汽车充电总负荷，K_z为该区域的电动汽车容量。

3.根据权利要求1所述的考虑用户充电体验和配电网运行风险的充电站规划方法，其特征在于，步骤2建立充电体验指数，以充电体验指数、充电站建设成本和用户便捷性为充电站选址定容优化目标建立上层综合目标，并提出上层规划约束条件包括以下步骤：

步骤2-1、综合充电路程用时、充前SOC值和是否需要排队要求满足程度建立充电体验指数：

定义充电体验指数为充电过程中用户的充电体验要求得到满足的程度，并综合充电路程用时、充前SOC值和是否需要排队要求的满足程度来反映用户的充电体验指数；

(1)充电路程用时满足率

不同区域的人们由于时间的紧迫程度不同，对充电路上花费时间的要求不同，即充电路程用时要求不同；定义充电路程用时限值为用户对充电路上花费时间的接受极限值；充电过程中花费的时间大于充电路程用时限值时，则不满足充电体验要求；基于此，为考察所有用户的充电路程用时要求的满足程度，定义充电路程用时满足率为：

式中，η_{t_sat}为充电路程用时满足率；ε_d(i)为第i个点的电动汽车容量密度；v_a为充电过程中电动汽车的平均行驶速度；T_d(i)为第i个点的充电路程用时限值，即其所属区域的充电路程用时限值；M_{t_sat}为满足充电路程用时要求的点的电动汽车容量密度的集合；N₀为点的个数；L_d(i)为规划区第i个点到所属充电站的直角距离；

(2)充前SOC值满足率

电动汽车在前往充电前的SOC值满足一定概率分布，当SOC值低于一定值时，将会损害电动汽车电池的寿命，因此可定义充前SOC值满足率为用户到达充电站时SOC值满足不损害电动汽车电池寿命的最低SOC值的概率。通过M次蒙特卡罗抽样得到M个SOC值，则充前SOC值满足率的算法为：

式中，η_{s_sat}为充前SOC值满足率；p_d(i)为第i个点满足充前SOC值要求的概率；ε_d(i)为第i个点的电动汽车容量密度；S_range为相应电动汽车的最大续航里程；SOC(j)为蒙特卡罗抽样的第j个SOC值；Ω_d(i)为第i个点M个SOC值中满足充前SOC值要求的SOC值的集合；card()为集合中元素的个数，SOC_min为不损害电池寿命的最低SOC值；M为蒙特卡罗抽样次数；

(3)无需排队满足率

若电动汽车充电需求大于充电站的配置容量，则用户充电前需要排队，不满足无需排队要求。定义无需排队满足率为用户不需要排队的概率。通过蒙特卡罗抽样得到各充电站M次一天24个时刻的充电站负荷数据，则无需排队满足率的算法为：

式中，η_{p_sat}为无需排队满足率；p_CD(i)为充电站i满足无需排队要求的平均概率；П(j)为充电站i第j次蒙特卡罗抽样一天中充电站负荷满足无需排队要求的时刻的集合；J(i)为充电站i的充电机配置数量；P_CD(j,k)为充电站i第j次蒙特卡罗抽样第k个时刻的负荷；P_c为单台充电机的额定功率；α_c为充电效率；K_CD(i)表示充电站i的电动汽车容量，为其服务范围内所有点的电动汽车容量之和；

(4)用户充电体验指数计算方法

综合充电路程用时满足率、充前SOC值满足率和无需排队满足率来反映充电体验指数，算法为：

η_{g_sat}＝η_{t_sat}η_{s_sat}η_{p_sat} (10)

式中，η_{g_sat}为充电体验指数；

步骤2-2、建立充电站建设成本：

充电站建设成本包括变压器、充电机和其他设备的建设成本以及土地费用；因此充电站i的建设成本的算法为：

C_{z_t}(i)＝C_s(i)+C_d(i) (11)

式中，C_s(i)为第i个充电站的变压器、充电机和设备的建设成本，由充电站的充电机数量决定；C_d(i)为第i个充电站的土地费用，其算法为：

C_d(i)＝S_d(i)D_d (12)

式中，S_d(i)为第i个充电站的占用土地面积，由充电站的充电机数量决定，D_d为单位面积土地费用；

则规划区的充电站建设总成本为：

C_{g_t}＝∑C_{z_t}(i) (13)

步骤2-3、建立用户便捷性指标：

用户便捷性以充电平均距离来表示；在规划区内平均取点，每个点的电动汽车容量密度为其所属区域的电动汽车容量密度，以每个点的电动汽车容量密度为权重对充电距离进行加权平均得到充电平均距离；则规划区的充电平均距离的算法为：

式中，ε_d(i)和L_d(i)分别为规划区第i个点的电动汽车容量密度和其到所属充电站的直角距离；

步骤2-4、建立上层综合目标：

充电站的上层规划以充电站建设成本、用户便捷性和充电体验指数为目标，对充电站进行选址定容优化；因此，上层综合目标的算法为：

式中，α₁、α₂和α₃为权重系数，其作用为各指标的数量级相同，同时用于消掉各指标的单位，使得上层综合目标为无量纲,B₁为上层综合目标；

步骤2-5、建立上层规划约束条件：

(1)相邻站间距离约束

为保证用户的充电需求，充电站的服务范围不能太大，同时为了避免资源浪费，应避免充电站分布过于集中；因此相邻充电站间的直角距离L_cc要满足约束条件：

L_min＜L_cc＜L_max (16)

式中，L_min和L_max分别为相邻站间距离约束的上下限；

(2)充电机数约束

为了满足用户的充电需求，同时出于对社会资源的充分利用，保证充电机有较高的利用率，充电站的充电机配置数量应满足充电机数约束：

J_min≤J_CD≤J_max (17)

式中，J_min和J_max分别为最小充电机配置数和最大充电机配置数，J_CD为充电站充电机的配置数量，算法为：

式中，Z_CD是充电站服务范围内的最大充电需求；K_CD为充电站服务范围内的电动汽车容量。

4.根据权利要求1所述的考虑用户充电体验和配电网运行风险的充电站规划方法，其特征在于，步骤3提出计及空间权重的元-点加权Voronoi图进行服务范围分区包括以下步骤：

步骤3-1、提出元-点加权Voronoi图：

针对传统的加权Voronoi图不能反映不同区域权重差异的缺陷，提出元-点加权Voronoi图来进行服务范围划分，以空间权重描述不同区域权重的大小；生成元生成Voronoi图的速度不仅与生成元的权重有关，还与各区域的空间权重有关；由于考虑空间权重，不同的行驶路径两点之间的加权距离不同，因此定义点A到点B的有向路径为A向B先纵向行驶，再横向行驶的路径，并定义加权有向距离为有向路径的加权距离；

基于此，元-点加权Voronoi图定义为：

V(R_i)＝{P∈V(R_i)|D(R_i,P)≤D(R_j,P),j＝1,2,…,m₁；j≠i} (19)

式中，D(R_i，P)为点R_i到点P的加权有向距离，m₁为生成元的个数，D(R_j,P)为点R_j到点P的加权有向距离，若R_i的权重为v_i，R_i到点P的有向路径经过区域Q₁，Q₂，…，Q_n，n为R_i到点P的有向路径经过的区域个数，相应的空间权重为θ₁，θ₂，…，θ_n，R_i到点P的有向路径经过的边界点分别为P₁，P₂，…，P_n-1，d(P_n-1,P)为点P_n-1到点P的有向距离，则R_i到点P的加权有向距离为：

步骤3-2、建立充电站权重：

在地价低的地方建设服务范围更大、容量更大的充电站，能减小充电站建设总成本；因此在服务范围划分时，设充电站权重的平方与其占用土地单价的倒数成反比，则充电站i的权重为：

式中，D_i为充电站i的占用土地单价；

步骤3-3、建立空间权重：

综合不同类型区域的充电路程用时要求和电动汽车容量密度来建立区域的空间权重，则区域类型i的空间权重的算法为：

式中，θ_q(i)、ε_q(i)、T_q(i)分别为区域类型i的空间权重、电动汽车容量密度和充电路程用时限值，β₁和β₂为权重系数；

步骤3-4、充电站服务范围划分：

为便于计算，在利用元-点加权Voronoi图进行充电站规划时，规划区内均匀生成点，邻近点的移动步长为Δx＝Δy＝Δl，用矩阵分别记录每个点的坐标、电动汽车容量密度、土地单价、充电路程用时限值信息，建立点数据库；在画Voronoi图时，每个点都用一个方块来代表，方块的边长为移动步长，点位于方块的中心；方块的电动汽车容量为方块的面积与点的电动汽车容量密度的乘积；

若权重为v_i的充电站R_i到点O的有向路径依次经过O₁，O₂，…，O_n-1，各点相应的空间权重为θ_q1，θ_q2，…，θ_qn，则R_i到点O的加权有向距离为：

将各生成元到某点的加权有向距离进行比较，加权有向距离最小对应的生成元将该点划进其服务范围；

充电站的电动汽车容量为其服务范围内所有点的电动汽车容量之和，算法为：

式中，ε_d(i)为该充电站服务范围内第i个点的电动汽车容量密度，ΔS为单个方块的面积。

5.根据权利要求1所述的考虑用户充电体验和配电网运行风险的充电站规划方法，其特征在于，步骤4基于上层优化目标采用遗传禁忌混合算法建立上层规划流程包括：

采用遗传禁忌混合算法(GATS)进行充电站上层规划，主要步骤如下：

Ⅰ.采集点数据库信息，作为优化的基础数据；

Ⅱ.利用点数据库的电动汽车容量密度信息，求出规划区内的电动汽车容量，即K_z，进而计算规划区的最大充电需求Z_z，算法为：

Ⅲ.根据规划区内的最大充电需求Z_z，以充电站的最小充电机配置数J_min和最大充电机配置数J_max为约束，计算充电站的最小座数N_min和最大座数N_max，即：

Ⅳ.基于上层综合目标采用GATS和元-点加权Voronoi图进行选址定容优化，包括以下步骤：

(1)记充电站数为g，设置GA的最大迭代数N_gen、禁忌表长度T_length1、群体规模N_pop、重组概率p_ch和变异概率p_m；TSM中禁忌表长度T_length2、邻域解个数N_h和最大迭代数N_t参数；

(2)t_r表示迭代次数，令t_r＝0，将规划区平均分为g个区，分别从各区中随机抽取一个地址，得到染色体的地址序列[x₁，y₁；…；x_i，y_i；…；x_g，y_g]，(x_i，y_i)为染色体的地址序列中的第i个地址，地址之间不满足站间距离约束的重新生成；

(3)计算当代群体的上层综合目标；

(4)按滚轮盘方式选出N_pop个染色体；

(5)生成0和1之间的随机数r_i，i＝1，2，…，N_pop，若r_i<p_ch，则第i个染色体为父代；对每对染色体进行交叉操作，随机互换两个基因，判断子代是否满足站间距离约束，不满足则选最优父代进下一代；若满足，则将子代的上层综合目标同渴望水平相比，若更好，则破禁进下一代；若更差，但不属于禁忌，则接受这个子代，若属于禁忌，则选最优父代进下一代；

(6)生成0和1之间的随机数q_i，i＝1，2，…，N_pop；若q_i<p_m，则对第i个染色体进行变异操作：

a.以当前染色体作为最优染色体，将其上层综合目标作为最优上层综合目标，置TSM的禁忌表为空；

b.以当前地址基因为中心生成邻域地址基因(x+Δx，y)、(x-Δx，y)、(x，y+Δy)和(x，y-Δy)，加上当前地址基因构成等位基因序列，进行全排列得到5^g个染色体并从中随机抽出N_h个；

c.将这N_h个染色体中不满足站间距离约束的剔除；剩余的不在禁忌表中的染色体为候选染色体，计算其分区后满足充电机数约束的上层综合目标；

d.以上层综合目标最小选出最优候选染色体，并用它替代当前染色体和最早进入不满足的染色体；

e.判断最优候选染色体的上层综合目标是否小于最优上层综合目标，是则用它替换最优染色体，并将其上层综合目标替换最优上层综合目标，然后转步骤f；否则直接转到步骤f；

f.判断是否达到最大迭代数N_t，或最优上层综合目标已连续30次保持不变，是则输出最优染色体；否则返回步骤b；

(7)t_r＝t_r+1，若t_r<N_gen，转步骤(3)；否则输出最优解。

6.根据权利要求1所述的考虑用户充电体验和配电网运行风险的充电站规划方法，其特征在于,步骤5以新建馈线成本和配电网的运行风险为充电站负荷接入节点优化目标建立下层综合目标，并提出下层约束条件包括以下步骤：

步骤5-1、计算新建馈线成本：

充电站负荷要接入配电网，要通过建设新的馈线来接入配电网的节点；假定新建馈线是沿直线铺设的，则充电站的新建馈线成本算法为：

C_k＝D_k∑L_k(i) (27)

式中，D_k为馈线的单位长度造价；L_k(i)为第i个充电站的新建馈线长度，即第i个充电站到接入节点的直角距离；

步骤5-2、计算配电网运行风险：

(1)元件风险指标

基于加权熵原理，以加权电压分布熵表征电压越限及电压分布不确定性引起的电压风险，以加权潮流分布熵表征潮流越限及潮流分布不确定性引起的潮流风险，算法为：

式中，H_{v_i}(t)和H_{l_i}(t)分别为t时刻节点i的加权电压分布熵和支路i的加权潮流分布熵；n_{v_i}(t)和n_{l_i}(t)分别为t时刻节点i的电压状态数和支路i的潮流状态数；S_{v_j}(t)和P_{v_j}(t)分别为t时刻节点i第j个电压状态的电压损失严重度和概率；S_{l_j}(t)和P_{l_j}(t)分别为t时刻支路i第j个潮流状态的潮流损失严重度和概率；

损失严重度S的算法为：

式中，μ为损失严重度的放大系数，以调节损失严重度的灵敏性；w为损失量；

(2)网络风险指标

综合电压风险和潮流风险对含大规模电动汽车的配电网进行运行风险评估；为考察配电网运行风险一天的变化情况，将t时刻网络运行风险定义为：

H_w(t)＝γ₁H_v(t)+γ₂H_l(t) (30)

式中，H_w(t)为t时刻的网络运行风险；γ₁和γ₂为权重系数；H_v(t)和H_l(t)分别为t时刻的网络电压风险和网络潮流风险，算法为：

式中，z₁和z₂分别为配电网的节点数和支路数；

为研究配电网安全运行面对的最严重的风险情况，定义网络最大运行风险为网络运行风险一天的最大值，即：

H_wmax＝max(H_w(t)) t＝1,2,…,24 (32)

步骤5-3、提出下层综合目标：

充电站下层规划综合考虑新建馈线成本和配电网的运行风险，对充电站负荷接入节点进行优化；定义下层综合目标为：

B₂＝ρ₁C_k+ρ₂H_wmax (33)

式中，C_k和H_wmax分别为新建馈线成本和网络最大运行风险；ρ₁和ρ₂为权重系数；

步骤5-4、提出下层规划约束条件：

(1)馈线长度约束

当新建馈线太长时，不仅馈线成本过大，同时馈线的阻抗过大，会增大功率损耗和电压损耗,因此新建的馈线应满足馈线长度约束：

L_k(i)≤L_kmax (34)

式中，L_kmax为新建馈线的长度限值；

(2)充电站负荷约束

由于充电站的充电负荷不可能大于其安装容量，因此要满足约束：

P_CD(i)≤α_cJ(i)P_c (35)

式中，P_CD(i)为充电站i的充电负荷。

7.根据权利要求1所述的考虑用户充电体验和配电网运行风险的充电站规划方法，其特征在于,步骤6基于下层综合目标采用循环替换法建立下层规划流程包括以下步骤：

(1)输入充电站地址及各分区电动汽车容量、充电过程参数、配电网络参数数据；

(2)通过蒙特卡罗抽样计算各个充电站分区的N_m次日充电负荷数据；

(3)将充电站负荷就近接入配电网节点作为当前方案，计算下层综合目标；

(4)记充电站的个数为g，确定各分区的优化顺序，b_m＝0；

(5)b_m＝b_m+1，计算充电站b_m到各节点的距离，将满足约束的节点作为候选节点；

(6)保持其他接入节点不变，将充电站b_m的负荷分别接入各候选节点，计算下层综合目标，以下层综合目标最小选最优候选方案；

(7)判断最优候选方案与当前方案的优劣，若最优候选方案比当前方案更优，则以最优候选方案替换当前方案，否则保留当前方案不变；

(8)判断是否有b_m<g，是则返回步骤(5)，否则转到步骤(9)；

(9)不断循环优化，直至充电站负荷接入方案不再改变为止。

Images